Det verkar vara ett ganska stort antal “Vet inte”. Vi provar att koda om dem som saknade svar för att få en bättre bild av den faktiska svarsfördelningen. Senare kan vi bl.a. titta på antalet “Vet inte” per fråga över tid.
Det blir grötigt med 8 kommuner i samma figur. Det går fint att varje kommun väljer ut (exempelvis) 3 kommuner att jämföra sig med, om man vill förenkla.
Code
KOLADA <-read_parquet("data/2023-03-28_KOLADA_data_ready.parquet")Municipalities <-read_parquet("data/2023-03-28_KOLADA_Municipality_list.parquet")UppsalaLänsKommuner <- Municipalities %>%filter(str_detect(id,"^03")) %>%pull(title)kpi_mean <- KOLADA %>%group_by(KPI, kpi, År) %>%summarise_at(vars(Andel), list(Andel = mean)) %>%add_column(Kommun ="Medel riket", .before ="KPI") %>%add_column(Kön ="Alla")KOLADA <-rbind(KOLADA, kpi_mean)KOLADA <- KOLADA %>%filter(Kommun %in% UppsalaLänsKommuner, År >2009)DIDkoladaPlot <-function(data) { data %>%ggplot(aes(x = År, y = Andel, group = Kommun, color = Kommun)) +geom_line(alpha =0.5, linewidth =0.8, linetype =3) +geom_point(alpha =0.5, size =2) +geom_line(data =filter({{data}}, Kommun == fokusKommun), alpha =1) +geom_point(data =filter({{data}}, Kommun == fokusKommun), alpha =1) +geom_smooth(method ="lm",aes(group =1),alpha =0.12,color ="darkblue",linewidth =0,linetype =2) +scale_x_continuous(guide =guide_axis(n.dodge =2), breaks =seq(2010, 2022, 2)) +#scale_y_continuous(limits = c(0, 100)) +scale_color_brewer(type ="qual", palette ="Dark2") +ylab("Andel i %") +xlab("") +facet_wrap(~KPI,ncol =2,scales ="free",labeller =labeller(KPI =label_wrap_gen(22))) +theme_rise(stripsize =10) +theme(legend.position ="top") +labs(caption ="Ljusgrått fält visar en oviktad trendlinjes 95% konfidensintervall.\nDatakälla: Kolada")}DIDkoladaPlotG <-function(data) { data %>%mutate(Kön =fct_rev(Kön)) %>%ggplot(aes(x = År, y = Andel, group = Kön, color = Kön)) +geom_line(alpha =0.8, linewidth =0.8) +geom_point(alpha =0.8, size =1.6) +#geom_line(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +#geom_point(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +geom_smooth(method ="lm",aes(group =1),alpha =0.12,color ="darkblue",linewidth =0,linetype =2) +scale_x_continuous(guide =guide_axis(n.dodge =2), breaks =seq(2010, 2022, 2)) +#scale_y_continuous(limits = c(0, 100)) +scale_color_manual(values = RISEpalette1[c(1,5)]) +ylab("Andel i %") +xlab("") +facet_grid(Kommun~KPI,scales ="free",labeller =labeller(KPI =label_wrap_gen(22))) +theme_rise(stripsize =10) +theme(legend.position ="top") +labs(caption ="Ljusgrått fält visar en oviktad trendlinjes 95% konfidensintervall.\nDatakälla: Kolada")}
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Barn 3-5 år inskrivna i förskola, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, lägeskommun, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, enskild regi, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, kommunal regi, andel (%)") ) %>%DIDkoladaPlot() +scale_y_continuous(limits =c(0, 100))
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Barn 3-5 år inskrivna i förskola, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, lägeskommun, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, enskild regi, andel (%)","Heltidstjänster i förskola med pedagogisk högskoleexamen, kommunal regi, andel (%)") ) %>%DIDkoladaPlot()
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Lärare med pedagogisk högskoleexamen i grundskola åk 1-9, lägeskommun, andel (%)","Lärare (heltidstjänster) med lärarlegitimation och behörighet i minst ett ämne i grundskola åk 1-9, lägeskommun, andel (%)","Elever i åk 9 som är behöriga till yrkesprogram, hemkommun, andel (%)","Elever vars föräldrar har eftergymnasial utbildning, åk 1-9 i lägeskommun, andel (%)") ) %>%DIDkoladaPlot() +scale_y_continuous(limits =c(0, 100))
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Lärare med pedagogisk högskoleexamen i grundskola åk 1-9, lägeskommun, andel (%)","Lärare (heltidstjänster) med lärarlegitimation och behörighet i minst ett ämne i grundskola åk 1-9, lägeskommun, andel (%)","Elever i åk 9 som är behöriga till yrkesprogram, hemkommun, andel (%)","Elever vars föräldrar har eftergymnasial utbildning, åk 1-9 i lägeskommun, andel (%)") ) %>%DIDkoladaPlot()
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Lärare med pedagogisk högskoleexamen i gymnasieskola, lägeskommun, andel (%)","Gymnasieelever som uppnått grundläggande behörighet till universitet och högskola inom 4 år, hemkommun, andel (%)","Gymnasieelever med indraget studiestöd pga. ogiltig frånvaro, hemkommun, andel (%)") ) %>%DIDkoladaPlot() +scale_y_continuous(limits =c(0, 100))
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Lärare med pedagogisk högskoleexamen i gymnasieskola, lägeskommun, andel (%)","Gymnasieelever som uppnått grundläggande behörighet till universitet och högskola inom 4 år, hemkommun, andel (%)","Gymnasieelever med indraget studiestöd pga. ogiltig frånvaro, hemkommun, andel (%)") ) %>%DIDkoladaPlot()
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år","Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år","Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år","Elever i musik- eller kulturskola, 6-15 år, andel (%)" )) %>%DIDkoladaPlot() +scale_y_continuous(limits =c(0, 100))
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år","Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år","Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år","Elever i musik- eller kulturskola, 6-15 år, andel (%)" )) %>%DIDkoladaPlot()
Code
KOLADA %>%filter(Kön %in%c("Flicka","Pojke")) %>%filter(KPI %in%c("Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år","Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år","Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år","Elever i musik- eller kulturskola, 6-15 år, andel (%)" )) %>%DIDkoladaPlotG()
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Invånare 0-19 år i ekonomiskt utsatta hushåll, andel (%)","Trångboddhet i flerbostadshus, enligt norm 2, andel (%)","Trångboddhet i flerbostadshus, enligt norm 3, andel (%)","Anmälda brott om skadegörelse per 1 000 inv.","Anmälda stöld- och tillgreppsbrott, antal/1000 inv") ) %>%DIDkoladaPlot() +scale_y_continuous(limits =c(0, 100))
Code
KOLADA %>%filter(Kön =="Alla") %>%filter(KPI %in%c("Invånare 0-19 år i ekonomiskt utsatta hushåll, andel (%)","Trångboddhet i flerbostadshus, enligt norm 2, andel (%)","Trångboddhet i flerbostadshus, enligt norm 3, andel (%)","Anmälda brott om skadegörelse per 1 000 inv.","Anmälda stöld- och tillgreppsbrott, antal/1000 inv") ) %>%DIDkoladaPlot()
df %>%select(starts_with("TEMA3_F"),Kön,Kommun) %>%na.omit() %>%group_by(Kommun,Kön) %>%reframe(Antal =n()) %>%mutate(Kommun =fct_reorder(Kommun, desc(Antal))) %>%ggplot(aes(x = Kommun, y = Antal, fill = Kön, group = Kön)) +geom_col(position ="dodge") +scale_fill_gender() +scale_x_discrete('Kommun', guide =guide_axis(n.dodge =1)) +scale_y_continuous(limits =c(0,NA)) +labs(title ="Antal respondenter per år",subtitle ="Fördelat på kön") +theme_rise()
Code
tema3f <- df %>%select(starts_with("TEMA3_F"),Kön,Kommun) %>%na.omit() %>%mutate(across(starts_with(c("tema3_f1","tema3_f2")), ~recode(.x,"1='Nej, det har inte hänt'; 2='Ja, någon eller några gånger'; 3='Ja, några gånger i månaden'; 4='Ja, några gånger i veckan'; 5='Ja, nästan varje dag'",as.factor =TRUE)) )tema3f %>%select(starts_with(c("tema3_f1","tema3_f2"))) %>%RIlistItemsMargin()
itemnr
item
TEMA3_F1_1
hånad, retad, utfryst?
TEMA3_F1_2
knuffad, fasthållen, utan att du blev fysiskt skadad?
TEMA3_F1_3
ofrivilligt kysst, tafsad på, talad till, fotad eller filmad, på ett sexuellt och oönskat sätt?
TEMA3_F1_4
bestulen eller lurad på pengar eller andra värdesaker?
TEMA3_F2_1
hotad eller förföljd, så att du blev rädd?
TEMA3_F2_2
hårt knuffad, hårt fasthållen, slagen eller sparkad så att du blev skadad eller så att det gjorde fysiskt ont?
TEMA3_F2_3
sexuellt utnyttjad, tvingad till sexuella handlingar?
TEMA3_F2_4
inspärrad i ett rum, eller genom hot eller våld tvingad att stanna kvar på ett ställe?
Det finns en fråga om trivsel som kan redovisas liknande “Hur mår du rent allmänt?”.
Här kan det finnas möjlighet att ta fram indexvärden, eftersom det finns många frågor som mäter aspekter av detta i MHC-SF. Det medför att en psykometrisk analys behöver göras, se separat dokument.